PAITS：面向非均匀采样时间序列的预训练与增强
机器学习
2023-08-29 v1
摘要
反映人类顺序行为的真实世界时间序列数据通常具有独特的非均匀采样与稀疏性，其在时间和实体上的采样高度不一致。然而，常用的时间序列预训练与增强方法并非专为此类场景设计。本文提出 PAITS（Pretraining and Augmentation for Irregularly-sampled Time Series，面向非均匀采样时间序列的预训练与增强），一个用于为稀疏且非均匀采样的时间序列数据集确定合适预训练策略的框架。PAITS 利用受 NLP 启发的预训练任务与增强手段的新颖组合，以及随机搜索，来为给定数据集识别有效策略。我们证明不同数据集受益于不同的预训练选择。与先前方法相比，我们的方法更能跨多个数据集与领域稳定地改进预训练。我们的代码见 \url{https://github.com/google-research/google-research/tree/master/irregular_timeseries_pretraining}。
关键词
引用
@article{arxiv.2308.13703,
title = {PAITS: Pretraining and Augmentation for Irregularly-Sampled Time Series},
author = {Nicasia Beebe-Wang and Sayna Ebrahimi and Jinsung Yoon and Sercan O. Arik and Tomas Pfister},
journal= {arXiv preprint arXiv:2308.13703},
year = {2023}
}
备注
Code: \url{https://github.com/google-research/google-research/tree/master/irregular_timeseries_pretraining}